Hasta ahora, la adopción de las arquitecturas de IA ha ido por delante de los marcos regulatorios, lo que ha obligado a las organizaciones a establecer sus propias normas. Sin embargo, esta falta de claridad no las ha frenado. De hecho, la última encuesta de McKinsey reveló que el 88 % de las organizaciones utilizan IA en al menos una función empresarial. A pesar de ello, la innovación se ha ralentizado y se ha hecho evidente que las organizaciones han pasado por alto un factor clave para una IA segura: la soberanía de los datos.
Al mismo tiempo, la regulación ha comenzado a ponerse al día, y gran parte de ella apunta a los mismos principios de soberanía de datos y visibilidad de la IA. Un ejemplo de ello es la Ley de IA de la UE, que establece normas estrictas basadas en el riesgo, tanto para el desarrollo como para el despliegue de la IA dentro de la UE, con el fin de mejorar su visibilidad.
En lugar de avanzar a ciegas, las organizaciones deben desarrollar arquitecturas de datos que desde su diseño sean transparentes, trazables y soberanas. De lo contrario, no solo no podrán aprovechar el verdadero potencial de la IA para sus negocios, sino que también se quedarán rezagadas en materia de cumplimiento normativo.
No todos los datos son buenos
Como era de esperar, tanto la soberanía digital como la innovación en IA se basan en los datos. Está ampliamente documentado que la IA necesita muchos datos, y disponemos en abundancia: el IDC estima que la esfera de datos global alcanzó alrededor de 181 zettabytes anuales en 2025. Sin embargo, a pesar de contar con abundantes datos, los proyectos piloto de IA generativa (GenAI) siguen fracasando estrepitosamente. Algunas investigaciones sugieren que hasta el 95% de los proyectos piloto de GenAI empresariales no llegan a producción o ni siquiera demuestran un retorno de la inversión (ROI) cuantificable. ¿El motivo? Problemas de higiene de datos que se arrastran desde hace tiempo.
Gracias en gran medida a la IA, el crecimiento de los datos se ha vuelto exponencial, pero las organizaciones no han logrado mantenerse al día. Esta afluencia ha superado con creces los procesos de almacenamiento, y las organizaciones han descuidado este aspecto, almacenando datos irrelevantes junto con datos útiles, necesarios para el uso de la IA. En última instancia, los sistemas de IA heredan no solo el sesgo, sino también la calidad y la estructura de los datos con los que se entrenan. Por lo tanto, si los conjuntos de entrenamiento están mal estructurados e incluyen datos inservibles, los resultados y la usabilidad se ven afectados.
También existe un importante efecto dominó en materia de cumplimiento normativo. Si bien los organismos reguladores aún no han llegado a un acuerdo sobre un enfoque unificado para la regulación de la IA, resulta evidente que la visibilidad será fundamental para los futuros requisitos. Solo en Europa, la Ley de IA de la UE y la Directiva NIS2 ya están impulsando una mayor gobernanza, transparencia y control sobre los datos operativos y de entrenamiento. Y sin una soberanía sólida, las organizaciones seguirán sin poder mapear y comprender su panorama de datos para cumplir con los requisitos actuales y futuros.
Separando el grano de la paja
Tras el crecimiento exponencial de los datos en los últimos años, la magnitud de las cargas de trabajo que manejan la mayoría de las empresas puede resultar abrumadora. Antes de que las organizaciones puedan mejorar la higiene de sus datos, primero deben comprenderlos y clasificarlos. No solo según su contenido, sino también según su nivel de confidencialidad. Un dato puede ser útil para un proyecto piloto de IA generativa, pero si es demasiado sensible, no se puede utilizar. Este nivel de comprensión no solo evita proporcionar por error datos sensibles a los programas de IA generativa, sino que también podría ser clave para crear una IA generativa que alcance su máximo potencial. En lugar de entrenarla con una gran cantidad de datos útiles mezclados con datos irrelevantes, las organizaciones pueden alimentar a la IA únicamente con la información que necesita realmente.
Una vez que todo esté en orden y sepan con qué están trabajando, las organizaciones pueden comenzar a definir los requisitos de soberanía para cada conjunto de datos, incluyendo tanto las normas regulatorias como las de localización. Para algunas organizaciones, la reacción instintiva es restringir su uso para cumplir con los requisitos más estrictos de las leyes de localización de datos. Sin embargo, el RGPD de la UE, por ejemplo, no exige la localización dentro de un país específico de la UE, sino solo en el Espacio Económico Europeo (EEE), aunque sí impone restricciones estrictas a la transferencia de datos personales fuera del EEE, creando en la práctica un efecto de “localización flexible”.
Hay muchos matices en esto, por lo que muchas organizaciones están adoptando arquitecturas híbridas o multicloud para mantener la flexibilidad sobre dónde se procesan y almacenan las cargas de trabajo. Así, las organizaciones pueden restringir los datos donde sea necesario para cumplir con los requisitos de localización, manteniendo al mismo tiempo la portabilidad de estos, lo cual será esencial a medida que las regulaciones sigan cambiando. Esta flexibilidad y transparencia permiten a las organizaciones no solo monitorizar dónde residen sus datos, sino también quién puede acceder a ellos, información esencial no solo para el cumplimiento normativo, sino también para la seguridad.
No se trata solo de marcar la casilla
Hasta ahora, la soberanía de los datos se ha relegado al último lugar de la lista de prioridades, dado que se ve principalmente como un mero trámite de cumplimiento normativo. Las organizaciones la han cumplido, pero sólo como parte de una larga lista de requisitos regulatorios, en lugar de considerarla un elemento clave en su estrategia de datos. Sin embargo, si se comprende y se aplica correctamente, alineada con la estrategia empresarial general, esta puede ofrecer mucho más.
Las organizaciones pueden restringir los datos donde sea necesario para cumplir con los requisitos de localización
No solo puede integrarse en los marcos de gobernanza de datos que sustentan las operaciones, sino que también puede contribuir a informar y establecer la gobernanza de la IA. Con datos limpios, estructurados y clasificados, las organizaciones pueden exprimir el potencial de sus proyectos piloto de IA generativa.
En definitiva, la soberanía de los datos se ha subestimado, pero con la innovación en IA generativa estancada y la regulación poniéndose al día, las organizaciones ya no pueden permitirse el lujo de ignorarla.
Por Michael Cade, Global Field CTO en Veeam Software
